如何成为一名AI工程师
这是一份为有编程经验但 AI 基础薄弱的开发者量身定制的学习路线图，特别适合：
- ✅ 有 5-10 年传统开发经验（Java、Python、C++ 等）
- ✅ 数学基础薄弱或已遗忘
- ✅ 想转型 AI 应用开发
- ✅ 目标是构建生产级 RAG（检索增强生成）应用
- ✅ 关注 LangChain/LangGraph 生态
本路线图不同于传统 AI 课程：
- 🎯 工程导向：重实践而非理论推导
- 🎯 最小必要知识：只学 RAG 开发真正需要的数学和 ML 基础
- 🎯 渐进式学习：从概念理解到生产部署的完整路径
- 🎯 48 周计划：结构化的学习时间表，每周 15-20 小时
- 3Blue1Brown：线性代数、神经网络（最佳可视化）
- Andrew Ng：机器学习、深度学习专项课程
- 李宏毅：机器学习、Transformer 详解
- DeepLearning.AI：LangChain 系列、RAG 实战
- 《程序员的数学》系列：数学基础
- 《动手学深度学习》：深度学习实践
- 《Speech and Language Processing》：NLP 经典
- Kaggle：数据集与竞赛
- Hugging Face：模型与社区
- GitHub：开源项目学习
- LangSmith：调试与监控
- 传统后端开发（Java、Python、Go、C++）转型
- 有 5+ 年工程经验，想进入 AI 领域
- 数学基础薄弱，但逻辑能力强
- 目标是 AI 应用工程师，而非 AI 研究员
- 完全无编程经验（建议先学 Python）
- 只想速成找工作（需要扎实学习）
- 追求深度学习研究（本路线偏工程）
- 已有深厚 ML 背景（可能过于基础）
完成学习后可应聘：
- AI 应用开发工程师
- LLM 应用工程师
- RAG 系统工程师
- LangChain 开发工程师
- AI Agent 开发工程师
- MLOps 工程师（偏应用侧）
LLM 应用开发工程师
↓
高级 AI 工程师
↓
AI 架构师 / 技术专家
↓
AI 产品 / 技术 Leader
...
Q1: 我数学很差，能学会吗？
A: 可以！本路线图只教 RAG 开发真正需要的数学：
- 线性代数：重点是向量和余弦相似度
- 概率统计：理解采样和分布即可
- 不需要复杂推导，重理解应用
很多成功转型的同学都是"数学困难户"。
Q2: 需要 GPU 吗？
A: 不需要！RAG 开发主要：
- 调用云端 API（OpenAI、Anthropic）
- 使用托管向量数据库（Pinecone）
- CPU 完全够用
只有训练自己的模型才需要 GPU，那不是本路线重点。
Q3: 48 周太长了，能压缩吗？
A: 可以，但不建议：
- 有 ML 基础：可跳过前 10 周 → 32 周
- 全职学习：每天 6-8 小时 → 6-8 个月
- 只学核心：只学 17-36 周 → 5 个月
但稳扎稳打更重要，基础不牢会影响后续发展。
Q4: 学完能找到工作吗？
A: 取决于多个因素：
- ✅ 能力：完整学完 + 3 个优质项目 → 有竞争力
- ✅ 市场：2024-2025 LLM 应用岗位需求旺盛
- ✅ 经验：有工程背景转型更容易
⚠️ 地区：一线城市机会更多
建议：边学边找，第 24 周后可投简历。
Q5: 和培训班比有什么优势？
A:
- 💰 免费：培训班通常 2-5 万
- 📚 全面：培训班压缩太快，基础不牢
- 🎯 实用：直接面向工程实践
- 🌐 开源：可持续更新，社区支持
但缺点是需要自律，适合有学习能力的工程师。
Q6: Python 基础薄弱怎么办？
A: 建议先用 2-4 周补 Python：
- 《Python Crash Course》
- Codecademy Python 课程
- 重点：基础语法、面向对象、异步编程
有其他语言经验的话，Python 上手很快。
我们欢迎所有形式的贡献！
- 内容改进：发现错误或过时内容，提 PR
- 资源补充：分享优质学习资料
- 经验分享：写学习心得和踩坑经验
- 翻译：帮助翻译成其他语言
- 答疑：在 Issues 和 Discussions 帮助他人
感谢以下贡献者的付出：
本项目采用 MIT License
- ✅ 可以自由使用、修改、分发
- ✅ 可以用于商业用途
⚠️ 需保留原作者版权信息
- 微信群：筹备中...
- 知识星球：筹备中...
- Email: 筹备中...
- Twitter: 筹备中...
- 个人博客: 筹备中...
本项目受到以下资源启发：
- LangChain 官方文档
- DeepLearning.AI 课程
- 众多开源项目和博客
特别感谢所有贡献者和学习者的反馈！